쇼크는 전반적인 순환 부전으로 특징지어지는 생명을 위협하는 상태이며, 적절한 치료가 신속히 이루어지지 않으면 치명적인 결과로 이어질 수 있다. 따라서 초기 예측과 생리적 징후에 대한 지속적 모니터링은 시의적절한 개입을 위해 필수적이다. 임상 환경에서의 선행 기계학습 연구는 주로 악화 사건의 발생 시점을 예측하는 데 초점이 맞추어져 왔으나, 사건 발생 이후 환자의 진행 상태를 모니터링하는 중요성은 종종 간과되어 왔다. 본 연구에서는 쇼크 발생 전 8시간 이내의 발생 여부를 매시간 예측하고, 쇼크 발생 이후 1시간 동안 쇼크가 지속될 가능성에 대한 예측까지 제공하는 예후 모니터링 시스템을 위한 새로운 분석 프레임워크를 제안한다. 우리는 환자의 생리적 상태를 네 가지 경우로 분류하였다: 쇼크 전 단계(비-쇼크 또는 향후 8시간 내 쇼크 발생)와 쇼크 이후 발병(향후 1시간 내 쇼크의 지속 또는 개선)이다. 이러한 경우들을 효과적으로 예측하기 위해 우리는 지도된 대조 학습(supervised contrastive learning)을 채택하여 잠재 공간에서 예측 모델 학습을 위한 차별적 표현을 가능하게 한다. 또한 효과적인 대조 임베딩을 추출하기 위해 접근 방식에 특징 토크나이저 트랜스포머(feature tokenizer transformer)를 통합한다. 본 프레임워크는 대조 임베딩을 활용할 때 기준 모델(baseline models) 대비 향상된 예측 성능을 보였으며, 내부 및 외부 데이터셋을 통해 검증되었다. 임상적으로, 본 시스템은 평균적으로 쇼크 발병 6시간 전에 쇼크를 식별함으로써 조기 감지를 유의하게 개선하였다. 본 프레임워크는 쇼크 발생 가능성에 대한 조기 예측뿐 아니라 쇼크 지속 위험에 대한 실시간 평가를 제공하여, 조기 예방과 치료 효과의 조기 평가를 가능하게 한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.